388 dengan :
Tabel.1 Kriteria ACF dan PACF
Lt : Level pada waktu ke-t, a adalah
bobot untuk level Tt
: Trend pada waktu ke-t, g adalah
Proses ACF
PACF 1
2 3
bobot untuk trend St
: Komponen musiman pada
ARp
dies down
turun cepat secara
eksponensialsinuso
cuts off after la g
p terputus setelah lag p
waktu ke-t, d adalah bobot untuk
idal
komponen musiman p
: periode musiman Yt
: nilai data pada waktu ke-t
MAq
cuts off after la g
q terputussetelah lag q
dies down
turun cepat secara
eksponensialsinusoid
Y-hat : nilai fit pada waktu ke-t.
al
3. METODOLOGI
Data yang digunakan pada penelitian ini adalah data saham harian Bank Rakyat
Indonesia BBRI, Bank Mandiri BMRI,
ARMA p,q
dies down after la g
q-p or p-q turun cepat
secara lag q-p atau p-q
dies down after la g
q-p or pq turun cepat
secara lag q-p atau p-q
dan Bank Central Asia BBCA, pada periode waktu 1 desember 2015 hingga 13
mei 2016. Data merupakan jenis data time series yang bersumber dari bursa efek
indonesia
indonesia stock exchangeidx.
Analisis dilakukan melalui langkah-langkah sebagai berikut:
a. ARIMA
1. Megidentifikasi Model : Pada tahap ini,
dilakuakn identifikasi model yang bisa mewakili deret pengamatan. Identifikasi
model dilakukan dengan: a
Membuat plot data
time series
melalui plot data dapat diketahui apakah data
mengandung
trend
, musiman,
outlier
, variansi tidak konstan. Jika data time
series tidak stasioner maka data harus distasionerkan terlebih dahulu. Jika data
tidak stasioner dalam varians dan mean, maka
langkah pertama
harus menstabilkan variansinya.
b Menghitung dan mencocokkan sampel
ACF dan PACF dari data
time series
yang asli. Sampel ACF dan PACF dari data
time series
yang asli dapat digunakan untuk menentukan tingkat
differencing
yang sebaiknya digunakan jika data tidak stasioner dalam rata-rata.
c
Menghitung dan mencocokkan sampel ACF dan PACF dari data
time series
yang telah
ditransformasikan dan
didiferencing
apabila telah diputuskan untuk melakukan transformasi ataupun
dfferencing
.
2. Mengestimasi Parameter, pada tahap
dipilih taksiran model yang baik dengan melakukan uji hipotesis untuk parameter.
Hipotesis :
H
: parameter tidak signifikan
H
1
: parameter signifikan Level toleransi
= 5 = 0,05 Kriteria uji :
Tolak 0
H
jika p-value .
3. Melakukan Uji Diagnosis, Setelah
mendapatkan estimator ARIMA, langkah selanjutnya adalah memilih model yang
mampu menjelaskan data dengan baik. Data dilihat apakah residual bersifat
random sehingga merupakan residual yang relatif kecil. Jika tidak,maka harus
kembali ke langkah pertama untuk memilih model yang lain.
4. Melakukan Prediksi, setelah didapat
model yang sesuai, maka selanjutnya melakukan prediksi menggunakan model
tersebut sesuai dengan periode waktu peramalan yang di inginkan dalam
penelitian ini 15 periode waktu atau hari.
b. Model Winter
1. Mengidentifikasi model sementara
yaitu dilakukan
identifikasi stasioneritas data, baik dalam mean
atau varians. 2.
Mengestimasi parameter model yaitu dilakukan pemilihan metode
estimasi dalam model Winter, yaitu metode Moment, Least Square, atau
Maximum Likelihood.
389 3.
Melakukan Diagnosa pada model dalam hal kenormalan residual data.
Jika kenormalan tidak terpenuhi maka data tidak cocok dimodelkan
dengan model winter.
c. MAPE